[发明专利]模型训练方法、广告推荐方法、相关装置、设备及介质

说明书

本申请公开了一种模型训练方法，包括：固定第一GBDT模型的第一参数，逐步增大第一GBDT模型的第二参数，在逐步增大第二参数的过程中，当第一GBDT模型输出的准确率的变化率小于第一阈值时，确定目标第二参数；固定目标第二参数，逐步增大第一参数，在逐步增大第一参数的过程中，当第一GBDT模型输出的准确率的变化率小于第二阈值时，确定目标第一参数；通过输入的原始数据，以目标第一参数和目标第二参数来训练第一GBDT模型，得到第二GBDT模型。本申请还公开了一种广告推荐方法、相关装置、设备及计算机可读存储介质，解决了模型的复杂度较高，参数过多，耗费大量时间和精力且推送结果的准确率不高的技术问题。

技术领域

本申请涉及机器学习技术领域，尤其涉及一种模型训练方法、广告推荐方法、相关装置、设备及介质。

背景技术

随着网络技术的飞速发展，互联网广告称为互联网企业最重要的盈利手段之一，越来越多的企业和机构开始研究互联网广告平台，与此同时，很多企业也慢慢地开始从传统媒体广告投放转向互联网广告投放。然而互联网广告的投放得不到预期效果，而且网站点击率也逐渐随之下降。针对这种情况，互联网广告的精准投放给互联网广告市场带来了无限生机，精准广告投放即针对用户的个性化向其投放感兴趣的广告，同时真正满足用户对产品需求的信息。

目前互联网广告系统中，要做到精准投放主要有三种方式：常见的定向型，主要是针对地理位置、投放时间段等单个属性或者组合属性进行投放；另一种是基于内容的投放方式，这种广告投放系统主要包括提取网页主题词、提取广告文本主题词，计算它们之间的相关性，然后进行广告的投放；而基于用户行为特征的精准广告投放系统主要是在提取到用户的行为特征数据之后，深入挖掘用户的特征数据，然后采用合适的分类算法对用户分类，进而针对用户的特征投放广告。

在汽车广告精准推荐系统中，通过分类模型进行精准推送的方法很多，采用随机森林、SVM、神经网络等模型都能够对广告进行精准推荐，但这些模型的复杂度较高，参数过多在调试过程中不仅会耗费大量时间和精力，同时会出现很大程度的过拟合现象，导致推送结果的准确率不高。

发明内容

本申请提供一种模型训练方法、广告推荐方法、相关装置、设备以及介质，用于解决模型的复杂度较高，参数过多，耗费大量时间和精力且推送结果的准确率不高的技术问题。

为了解决上述技术问题，本申请实施例第一方面公开了一种模型训练方法，包括：

固定第一梯度提升决策树(Gradient Boosting Decision Tree，GBDT)模型的第一参数，逐步增大所述第一GBDT模型的第二参数；

在所述逐步增大所述第一GBDT模型的第二参数的过程中，当所述第一GBDT模型输出的准确率的变化率小于第一阈值时，确定目标第二参数；

固定所述目标第二参数，逐步增大所述第一GBDT模型的第一参数；

在所述逐步增大所述第一GBDT模型的第一参数的过程中，当所述第一GBDT模型输出的准确率的变化率小于第二阈值时，确定目标第一参数；

通过输入的原始数据，以所述目标第一参数和所述目标第二参数来训练所述第一GBDT模型，得到第二GBDT模型，所述第二GBDT模型用于构造组合特征向量。

具体地，基于该第一方面，在其中一种实现方式中，所述确定目标第二参数，包括：

从所述第一GBDT模型输出的准确率的变化率小于第一阈值时对应的第二参数开始，按照第一间隔逐步减少所述第二参数；

当所述第一GBDT模型输出的准确率的变化率大于所述第一阈值时，从所述第一GBDT模型输出的准确率的变化率大于第一阈值时对应的第二参数开始，按照第二间隔逐步增大所述第二参数；